Klasifikasi Siswa Slow Learner untuk Mendukung Sekolah dalam Meningkatkan Pemahaman Siswa Menggunakan Algoritma Naïve Bayes

Abstract

Tidak semua siswa sekolah bisa menangkap materi dengan kemampuan yang sama dikarenakan tingkat kecerdasan dan kemampuan belajar setiap anak berbeda - beda. Ada siswa yang kemampuan belajarnya rendah sehingga lambat dalam memahami materi yang biasa disebut sebagai slow learner. Siswa slow learner ini perlu perlakuan yg khusus supaya dapat memahami materi seperti siswa lainnya. Siswa slow learner yang tidak terdeteksi dapat memperlambat kegiatan belajar mengajar karena guru harus mengulang kembali menjelaskan materi untuk membuat siswa memahami materi tersebut. Penelitian ini bertujuan untuk mengklasifikasikan siswa slow learner dan non slow learner dan menghasilkan visualisasi dashboard yang dapat digunakan untuk membantu sekolah. Penelitian ini mengangkat studi kasus siswa kelas XI dan XII SMA Tunas Luhur yang berjumlah 89 siswa. Penelitian ini menggunakan algoritma naive bayes untuk klasifikasi dan cross validation 10 folds sebagai metode pengujian. Hasil pengujian didapatkan nilai akurasi 0.92857, precison 0.94736, recall 0.97297, dan F-measure 0.96 serta hasil pengujian visualisasi dashboard menggunakan kuesioner System Usability Scale yang menghasilkan skor 71.75 atau acceptable. Algoritma naïve bayes berhasil mengklasifikasikan siswa slow learner dan non slow learner dengan baik, dan visualisasi dashboard bisa diterima dengan baik oleh pihak sekolah. AbstractNot all school students can capture material with the same abilities because each child's level of intelligence and learning ability are different. There are students whose learning ability is low so that it is slow in understanding the material commonly referred to as slow learner. These slow learner students need special treatment in order to understand the material like other students. Undetectable slow learner students can slow down teaching and learning activities because teachers have to redo explain the material to make students understand the material. This study aims to classify slow learner and non slow learner students and produce dashboard visualizations that can be used to help schools. This study raised the case study of grade XI and XII students of Tunas Luhur High School which amounted to 89 students. The study used naive bayes algorithms for classification and cross validation of 10 folds as a testing method. The test result obtained an accuracy score of 0.92857, precison of 0.94736, recall of 0.97297, and F-measure of 0.96 and dashboard visualization test results using the System Usability Scale questionnaire which resulted in a score of 71.75 or acceptable. Bayes' naïve algorithm successfully classifies slow learner and non-slow learner students well, and dashboard visualization is well received by the school.